基于可学习图卷积网络的半监督宫颈上皮内瘤变分类
计算机视觉与模式识别
2020-04-02 v1 机器学习
图像与视频处理
摘要
宫颈癌是当今影响女性的第二大常见癌症。由于宫颈癌的早期检测高度依赖筛查和临床前检测，数字宫颈镜作为初级或辅助筛查工具具有巨大潜力，尤其因其低成本与易获取性而在资源匮乏地区。尽管自动化宫颈上皮内瘤变检测系统一直备受期待，但此类系统的传统全监督训练需要大量标注数据，而收集这些数据往往耗费人力。为缓解对大量人工标注的需求，我们提出一种新颖的基于图卷积网络（GCN）的半监督分类模型，可用更少标注进行训练。在现有 GCN 中，图由固定特征构建且无法在学习过程中更新，这限制了其利用图卷积中学习到的新特征的能力。本文中，我们提出一种新颖且更灵活的 GCN 模型，其带有特征编码器，可在学习中自适应更新邻接矩阵，并证明该模型设计带来了性能提升。我们在宫颈上皮内瘤变分类数据集上的实验结果表明，所提框架在半监督设定下优于以往方法，尤其在标注样本稀缺时。
引用
@article{arxiv.2004.00191,
title = {Semi-Supervised Cervical Dysplasia Classification With Learnable Graph Convolutional Network},
author = {Yanglan Ou and Yuan Xue and Ye Yuan and Tao Xu and Vincent Pisztora and Jia Li and Xiaolei Huang},
journal= {arXiv preprint arXiv:2004.00191},
year = {2020}
}
备注
ISBI 2020